Você está tendo dificuldades para fazer seus modelos de regressão performarem bem? Talvez você tenha tentado vários algoritmos, ajustado seus parâmetros e até coletado mais dados, mas as previsões do seu modelo ainda estão imprecisas. Neste tutorial, vou apresentar a você o XGBoost, um poderoso algoritmo de machine learning que, além de vencer competições no Kaggle, é muito utilizado em produção por empresas como Uber, Airbnb e Netflix. Vou guiá-lo passo a passo sobre como usar o XGBoost para tarefas de regressão em Python....

Em machine learning, frequentemente nos deparamos com conjuntos de dados onde o número de observações em uma classe é significativamente maior do que na outra. Isso é conhecido como dados desbalanceados. Por exemplo, em um conjunto de dados de transações de cartão de crédito, o número de transações fraudulentas (classe positiva) é geralmente muito menor do que o número de transações legítimas (classe negativa). Este também é um exemplo de uma tarefa de classificação binária, que é um tipo comum de problema de machine learning....

O XGBoost, apesar de ser uma biblioteca de gradient boosting poderosa e eficiente, é feito para trabalhar com dados numéricos. Isso significa que você precisa encontrar uma maneira de transformar dados categóricos em um formato que o XGBoost possa entender. Esse processo pode ser demorado e complexo, especialmente se você estiver lidando com um grande número de variáveis categóricas ou categorias. O problema se torna ainda mais desafiador quando você considera as armadilhas potenciais da transformação de variáveis categóricas....

A classificação binária é um tipo de tarefa de machine learning onde a saída é um resultado binário, ou seja, pertence a uma de duas classes. Por exemplo, um e-mail pode ser classificado como ‘spam’ ou ’não spam’, ou um tumor pode ser ‘maligno’ ou ‘benigno’. Quando você tem mais de duas classes, é chamado de classificação multiclasse. Podemos usar vários algoritmos para resolver estes tipos de problemas. Esses algoritmos incluem regressão logística, árvores de decisão, random forest, SVM e algoritmos de gradient boosting como o XGBoost....

Você já se perguntou como tunar os hiperparâmetros do CatBoost para obter o melhor desempenho possível? O ajuste de hiperparâmetros é a chave para desbloquear todo o potencial do seu modelo. Mas olhando a documentação do CatBoost, você pode se sentir sobrecarregado com a quantidade de hiperparâmetros disponíveis. Isso acaba hoje! A Optuna é uma biblioteca de otimização de hiperparâmetros poderosa e fácil de usar que pode ajudar a encontrar os melhores hiperparâmetros para o seu modelo CatBoost....

Classificação multiclasse é uma tarefa de machine learning onde o resultado pode pertencer a mais de duas classes ou categorias. Por exemplo, uma fruta pode ser classificada como ‘maçã’, ‘banana’ ou ‘cereja’. Ou um carro pode ser classificado como ‘sedan’, ‘SUV’ ou ‘caminhonete’. Assim como na classificação binária, podemos usar uma variedade de algoritmos para classificar os pontos de dados nessas múltiplas categorias. Esses algoritmos incluem regressão logística, árvores de decisão, random forests, SVMs e algoritmos de gradient boosting como XGBoost....

Está enfrentando dificuldades para interpretar seu modelo de regressão logística e identificar quais features realmente influenciam na previsão da sua variável alvo? Determinar quais features estão influenciando as previsões do seu modelo pode ser frustrante, especialmente quando lidamos com um grande número de variáveis. A situação pode se complicar ainda mais com a presença de features correlacionadas. Neste tutorial, exploraremos diversos métodos para avaliar a importância das features em modelos de regressão logística, tanto para classificação binária quanto para classificação multiclasse....

Índice O Que é NBEATS? Como Instalar a NeuralForecast Com e Sem Suporte a GPU Como Preparar a Série Temporal Para o NBEATS Hiperparâmetros do NBEATS n_harmonics n_polynomials stack_types input_size_multiplier learning_rate scaler_type max_steps Como Treinar NBEATS em Python Como Adicionar Variáveis Externas ao NBEATS Baseline Simples Com Sazonalidade Função Objetivo WMAPE no PyTorch O Que é NBEATS? A NBEATS é uma arquitetura de rede neural capaz de prever séries temporais sem depender da criação de features específicas por um especialista....

Prever séries temporais é uma tarefa muito comum no dia a dia de um cientista de dados. Seja prever a demanda futura de um produto, o tráfego de uma cidade ou até mesmo o clima. Com previsões precisas de séries temporais, as empresas podem ajustar suas estratégias de produção, gerenciamento de estoque, alocação de recursos e outras decisões importantes, levando a uma redução significativa de custos e aumento da eficiência....

Índice O Que São Transformers em Deep Learning? Temporal Fusion Transformers Como Instalar a NeuralForecast Com e Sem Suporte a GPU Como Preparar a Série Temporal Para o TFT Hiperparâmetros do Temporal Fusion Transformer input_size_multiplier hidden_size n_head learning_rate scaler_type max_steps batch_size windows_batch_size Como Treinar Temporal Fusion Transformers em Python Como Adicionar Variáveis Externas ao TFT Baseline Simples Com Sazonalidade Função Objetivo WMAPE no PyTorch O Que São Transformers em Deep Learning?...